Accelerating Machine Learning in Healthcare: Addressing the Labelling Bottleneck
Cette étude démontre qu'un pipeline d'étiquetage par étapes et auto-amorcé, exploitant des ensembles de semences étiquetés par des experts et l'apprentissage actif, peut enrichir les cas rares de tachycardie ectopique jonctionnelle pédiatrique d'environ 15 fois par rapport à un échantillonnage aléatoire, optimisant ainsi considérablement l'utilisation des ressources d'annotation clinique rares pour l'apprentissage automatique dans le secteur de la santé.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans l'environnement à enjeux élevés d'une unité de soins intensifs pédiatriques, où les enfants se remettent de chirurgies cardiaques complexes, le temps est la ressource la plus critique. Le rythme du cœur peut changer soudainement, et quand cela arrive, les conséquences peuvent être graves. Les médecins comptent sur une surveillance continue pour détecter ces changements dangereux précocement, mais le volume massif de données générées par les moniteurs de chevet est accablant. Depuis des décennies, des chercheurs tentent d'apprendre aux ordinateurs à repérer automatiquement ces battements cardiaques irréguliers, dans l'espoir d'offrir aux cliniciens un second regard qui ne cille jamais. Cependant, un obstacle majeur s'est toujours dressé sur leur chemin : pour apprendre à un ordinateur, il faut d'abord lui montrer des exemples, et trouver ces exemples est incroyablement difficile. La plupart des programmes informatiques existants ont été entraînés sur des données provenant d'adultes, ce qui ne correspond pas aux rythmes cardiaques uniques des enfants, et ils reposent sur des enregistrements cardiaques complexes à douze dérivations, rarement utilisés lors de la surveillance continue et en temps réel d'un enfant malade. Les rythmes cardiaques les plus dangereux sont également les plus rares, ce qui signifie que si un médecin devait parcourir aléatoirement des milliers d'heures d'enregistrements de moniteurs cardiaques, il pourrait passer des jours à chercher seulement quelques minutes du problème spécifique qu'il doit étudier.
Une équipe de chercheurs de The Hospital for Sick Children à Toronto, travaillant aux côtés de collègues de Seattle, du Michigan et d'Israël, s'est donné pour mission de résoudre ce problème de la recherche de l'aiguille dans la botte de foin. Ils n'ont pas simplement rassemblé plus de données ; au lieu de cela, ils ont construit une manière plus intelligente de trouver les rythmes cardiaques spécifiques dont ils avaient besoin pour l'étude. Ils ont commencé avec une archive numérique massive contenant plus de 1,6 million d'heures d'enregistrements de moniteurs cardiaques provenant de plus de 9 000 enfants. Cette archive, connue sous le nom d'AtriumDB, contenait un trésor d'informations, mais presque tout était non étiqueté, ce qui signifie que personne n'avait encore dit à l'ordinateur ce que représentait chaque battement de cœur. Les chercheurs étaient face à un choix : ils pouvaient demander à des médecins occupés de parcourir aléatoirement ces données, un processus lent et inefficace, ou ils pouvaient créer un système qui aide les médecins à trouver les rythmes dangereux et rares beaucoup plus rapidement. Ils ont choisi cette seconde option, développant un processus par étapes qui commençait par des experts humains et introduisait progressivement un assistant informatique pour guider la recherche.
Le processus a commencé par la méthode la plus traditionnelle : l'examen d'anciens dossiers médicaux. L'équipe a trouvé des cas où un enfant avait subi un test cardiaque formel à douze dérivations dans un laboratoire hospitalier, fournissant ainsi un diagnostic confirmé. Ils ont fait correspondre ces diagnostics connus avec les enregistrements de moniteurs cardiaques continus de la même période. Cela leur a donné un premier ensemble d'exemples fiables et restreints. Cependant, cette méthode présentait une faille ; les dossiers hospitaliers étaient souvent dominés par des battements cardiaques normaux et sains, et le délai entre le test en laboratoire et le moniteur continu n'était pas toujours parfait, forçant les médecins à passer beaucoup de temps à vérifier ou à corriger les étiquettes. Pour améliorer cela, l'équipe a ajouté une deuxième étape où les médecins et les infirmiers de l'unité de soins intensifs pouvaient signaler les problèmes de rythme cardiaque au fur et à mesure qu'ils les observaient en temps réel. Cela fournissait des exemples frais et pertinents, mais cela restait limité par le nombre de fois où un médecin arrivait à remarquer et à signaler un problème.
Une fois que l'équipe a eu assez d'exemples grâce à ces deux premières étapes pour entraîner un modèle informatique de base, elle a introduit la troisième et la quatrième étapes, qui reposaient sur l'ordinateur pour effectuer le travail de fond. Ils ont appris à l'ordinateur à examiner les données non étiquetées et à identifier les parties dont il n'était pas sûr. C'est ce qu'on appelle l'échantillonnage par incertitude (uncertainty sampling). Au lieu de deviner, l'ordinateur signalait les battements de cœur qui le confondaient, envoyant ces segments spécifiques aux médecins pour examen. C'était bien plus efficace qu'une recherche aléatoire car l'ordinateur disait essentiellement : « Je ne sais pas ce que c'est, s'il vous plaît, dites-le moi ». À mesure que les médecins étiquetaient ces exemples déroutants, l'ordinateur devenait plus intelligent. Enfin, l'équipe a utilisé une technique appelée recherche par plongement (embedding search). Cela a permis à l'ordinateur de rechercher des battements de cœur qui présentaient une similitude morphologique avec les rythmes rares et dangereux qu'il avait déjà appris, même s'ils provenaient d'enfants différents. C'était comme demander à l'ordinateur de trouver tous les battements de cœur qui « ressemblaient » aux rythmes dangereux qu'il venait de se faire enseigner, en parcourant toute l'archive pour trouver de nouvelles variations du même problème.
Les résultats de cette approche par étapes ont été frappants. Lorsque les chercheurs ont testé combien de battements cardiaques rares et dangereux ils pouvaient trouver en choisissant simplement des segments aléatoires dans l'archive, ils n'ont trouvé que deux cas pour 200 segments, soit un taux de seulement un pour cent. En revanche, leur nouveau pipeline multi-étapes a trouvé les battements cardiaques rares dans 14,7 % du temps total qu'ils ont étiqueté, et dans 24,7 % des patients uniques qu'ils ont examinés. Cela signifie que le pipeline était environ quinze fois plus efficace pour trouver les battements cardiaques rares par heure, et vingt-cinq fois plus efficace par nombre de patients, comparativement à une recherche aléatoire. L'efficacité augmentait à chaque étape du processus. Les étapes initiales manuelles ont fourni la fondation, mais les étapes guidées par l'ordinateur, particulièrement la recherche finale de battements de cœur de forme similaire, ont généré les rendements les plus élevés. Dans l'étape finale, lorsque l'ordinateur recherchait des battements de cœur ressemblant au rythme rare, plus de soixante pour cent des segments qu'il sélectionnait étaient confirmés comme étant le rythme cible une fois qu'un médecin les examinait.
L'étude ne prétendait pas que le modèle informatique était prêt à diagnostiquer les patients de manière autonome ; c'est un défi distinct. Au lieu de cela, le travail a prouvé qu'un flux de travail collaboratif et intelligent pouvait surmonter le goulot d'étranglement de l'étiquetage des données. En laissant l'ordinateur guider les médecins vers les parties les plus intéressantes et les plus rares des données, l'équipe a créé un ensemble de données de haute qualité comprenant près de 190 heures de rythmes cardiaques étiquetés par des experts, provenant de 1 447 enfants. Cet ensemble de données est désormais riche en rythmes rares et dangereux, essentiels pour l'entraînement de futurs outils médicaux. Les chercheurs ont constaté que cette méthode leur a permis de constituer une collection diversifiée de battements de cœur provenant d'enfants de tous âges, des nouveau-nés aux adolescents, sans exiger un temps impossible de la part du personnel médical occupé. L'approche démontre que dans le domaine de l'intelligence artificielle médicale, la clé du progrès n'est pas seulement d'avoir plus de données, mais d'avoir une meilleure façon de trouver les bonnes données au sein de celles-ci.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.